Core Concepts
GNNを使用して評価の序列性を活用することで、行列補完の精度が向上する。
Abstract
この論文では、GNNを使用して行列補完における評価の序列性を活用する新しいアプローチであるROGMCについて探究しています。ROGMCは累積的な嗜好伝播を使用して、評価の序列性に基づいて生成された複数のビューを考慮し、興味規制を導入して基礎的な興味意味論から好み学習を支援します。実験ではROGMCが他の手法よりも優れたパフォーマンスを示しました。
Stats
ML-100Kデータセット:943人のユーザー、1,682アイテム、100,000件のレーティング、スパース度93.70%
ML-1Mデータセット:6,040人のユーザー、3,706アイテム、1,000,209件のレーティング、スパース度95.53%
Eachmovieデータセット:72,916人のユーザー、1,628アイテム、2,811,983件のレーティング、スパース度97.63%
Quotes
"ROGMC consistently achieves the best performance among all competitors."
"ROGMC better encodes the rating ordinality compared to the existing strategy that treats rating types as independent relations."